[發明專利]一種基于區塊鏈的反洗錢仲裁方法、系統及相關裝置

有效

• 申請號: 202110078506.4
• 申請日: 2021-01-20
• 公開（公告）號: CN112927072B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 王乾宇;蔡維德;王榮
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06F21/64;G06N20/10;G06F16/28
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提出一種基于區塊鏈的反洗錢仲裁方法、系統及相關裝置，該方法包括：獲取交易數據；構建關系型數據庫；清洗數據并對六維數據特征建模；生成原始數據集；采用支持向量機算法對交易數據做行為建模操作，將結果劃分為三類，類別為：可疑交易、安全交易、待定交易；使用最大熵算法對待定交易做鏈路分析操作，通過確定特征函數和約束條件得到待定交易預測結果；使用樸素貝葉斯算法對安全交易做異常檢測操作并決定仲裁最終結果，結果均為通過本次交易方可執行，任何一步否決則交易終止。仲裁過程中的交易數據、結果數據均存儲在區塊鏈節點上。

背景技術

根據IMF統計,全球每年洗錢的總數約有10000至30000億美元之多，金融的洗錢犯罪占了全球GDP的2％至5％，每年涉及到的資金超過2萬億美金。目前國際上的AML的規則只能抓住不到1％的非法現金流轉。即使是這樣的效率，其各大銀行花費在AML合規上的費用也超過了千億元，其中美國每年用在反洗錢上的資金投入就超過了500億美元。面對日趨嚴峻的洗錢形勢，很多國家都出臺了相應法律法規，加大對洗錢行為的監管和處罰力度；國際社會也成立了多個反洗錢組織如FATF，以求加強國際間合作，共同打擊跨國洗錢犯罪。

從當前形勢來看,作為洗錢的重災區,銀行、證券、保險等金融行業在反洗錢工作上付出了巨大的監管成本，并在反洗錢工作上取得了一定的成果，但從目前各金融機構反洗錢機制來看，仍然存在著客戶身份識別效率低、反洗錢工作信息化程度低、反洗錢監管成本高以及金融機構間相關數據不同步不共享等問題。隨著互聯網和移動支付等技術的發展，各種金融產品和支付方式相繼出現，這些新的金融創新成果，既為企業和個人帶來了便利，也為反洗錢工作帶來了較大的挑戰。移動支付和線上支付帶來了海量交易，很多交易行為具有小額高頻的特點，導致金融機構很難從海量交易中識別可疑交易。歷史交易無法回溯進行計算和識別，影響反洗錢工作的有效性。

常見的反洗錢方案有兩種，一種為基于規則的反洗錢識別，另一種為應用機器學習技術的反洗錢算法。傳統規則引擎無法對隱藏在正常貿易交易和低頻轉賬交易中的可疑行為進行有效識別，也無法對海量交易和復雜交易手段的洗錢行為進行識別。機器學習能大幅提升可疑交易甄選效率，處理海量歷史數據，有效降低反洗錢人工審核壓力。但由于機器學習算法單一性、不可解釋性等局限，對復雜關聯交易、偶發低頻交易的診斷準確率較低。

發明內容

為解決現有技術中的上述問題，即為了解決現有模型算法對小額高頻交易、復雜關聯交易、偶發低頻交易識別精度低，歷史交易難溯源的問題，本發明第一方面，提出了一種基于區塊鏈的反洗錢仲裁方法，該方法包含以下步驟：

步驟S10，基于已由的交易數據構建第一關系型數據庫；所述第一關系型數據庫包括自然人客戶“身份基本信息”九要素，法人、其他組織和個體工商客戶身份基本信息“十五要素”，以及基本交易數據等信息；

步驟S20，基于所述第一關系型數據庫，采用Pandas方法獲得原始狀態數據，并根據六維特征對原始態數據建模，并用結果數據構建第二關系型數據庫，其中六維特征包括：基本信息、客戶肖像、賬戶維度、交易金額、交易筆數維度、對手維度；

步驟S30，采用SVM算法(Support?Vector?Machine,支持向量機)對所述第二關系型數據庫的數據做行為建模，建立2個決策邊界實現交易行為三分類；

步驟S40，選用Sigmoid核函數，設定階為1并構建線性分類器對建模后的數據分類，將所得三分類結果安全交易、可疑交易和待定交易分別存放在第一區塊、第二區塊和第三區塊中；

步驟S50，按照所述第三區塊的數據特征設置約束條件并構造拉格朗日函數，并對第二關系型數據庫做鏈路分析建模進而求解出最大熵模型，預測結果若為安全交易則存入第一區塊，否則存入第二區塊；

步驟S60，結合第二關系型數據庫中的交易行為數據，對第一區塊中的安全交易數據構建交易特征，應用樸素貝葉斯算法進行異常檢測，若分類結果為安全交易存入第四區塊，否則存入第二區塊；